Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

ड्राइविंग वह निरंतर बातचीत है जो हम जो देखते हैं और जो हम अनुमान लगाते हैं, उनके बीच होती है। हमारी आँखें सड़क को स्कैन करती हैं, लेन के निशानों और स्पीडोमीटर की जाँच करती हैं, लेकिन वे हर विवरण पर हमेशा स्थिर नहीं रह सकतीं। मानव मस्तिष्क एक कैमरा नहीं है जो निरंतर वीडियो रिकॉर्ड करता है; यह एक प्रोसेसर है जो दुनिया की एक मानसिक तस्वीर बनाता है और उस तस्वीर को तभी अपडेट करता है जब आवश्यक हो। जब हम एक पल के लिए नज़र हटाते हैं, तो हमारा मस्तिष्क केवल खाली नहीं हो जाता। इसके बजाय, यह एक आंतरिक अनुमान पर निर्भर करता है, कि कार कहाँ है और कितनी तेज़ चल रही है, इसका एक सबसे अच्छा अंदाज़ा, जो पिछली बार देखने के समय और हमारे हालिया कार्यों पर आधारित होता है। यह मानसिक चित्र उपयोगी है, लेकिन यह नाजुक भी है। जैसे-जैसे नए दृश्य सूचना के बिना समय बीतता है, अनुमान कम निश्चित होता जाता है, और त्रुटि का जोखिम बढ़ता जाता है। शोधकर्ताओं को लंबे समय से जिस सवाल ने उलझाया है, वह केवल यह नहीं है कि ड्राइवर कितनी देर तक देख से दूर रह सकते हैं, बल्कि यह भी है कि जब उनके पास सीमित समय हो और कई चीज़ों की निगरानी करनी हो, तो वे यह कैसे तय करते हैं कि उन्हें क्या देखना है।

द दशकों से, वैज्ञानिक इस बात का अध्ययन कर रहे हैं कि ड्राइवर अपने ध्यान को कैसे प्रबंधित करते हैं, अक्सर लेन में बने रहने जैसे एकल कार्य पर ध्यान केंद्रित करते हैं। हालाँकि, वास्तविक ड्राइविंग शायद ही कभी इतनी सरल होती है। एक ड्राइवर को लेन में बने रहने के लिए कार को स्टीयर करने और यातायात या सड़क के संकेतों के साथ गति को प्रबंधित करने के लिए गति को नियंत्रित करने का कार्य एक साथ करना पड़ता है। ये दोनों कार्य आपस में जुड़े हुए हैं; यदि सड़क तेजी से मुड़ती है, तो ड्राइवर को धीमा होना होगा, और यदि कार बहुत तेज़ चल रही है, तो सुरक्षित रूप से स्टीयर करना कठिन हो जाता है। अब तक, कंप्यूटर मॉडल जिन्होंने यह सिम्युलेट करने की कोशिश की कि ड्राइवर अपने ध्यान के बारे में कैसे सोचते हैं, उन्होंने इन कार्यों को मुख्य रूप से अलग-अलग माना है। वे यह समझा सकते थे कि एक ड्राइवर लेन में बने रहने के लिए सड़क को देखने का निर्णय कैसे लेता है, या गति बनाए रखने के लिए स्पीडोमीटर को कैसे देखता है, लेकिन वे यह नहीं समझा सके कि जब दोनों ही अनिश्चित हों, तो एक ड्राइवर दोनों में से किसी एक को चुनने के बीच कैसे चुनाव करता है। समझ की यह कमी हमें इस बात की एक अपूर्ण तस्वीर देती है कि मनुष्य वास्तव में सुरक्षित रूप से चलाने के लिए आवश्यक जटिल, क्षणिक निर्णयों को कैसे प्रबंधित करते हैं।

यवास्कुला विश्वविद्यालय (University of Jyväskylä) और कोची यूनिवर्सिटी ऑफ टेक्नोलॉजी (Kochi University of Technology) के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए एक नया कंप्यूटर मॉडल बनाया है। उन्होंने एक डिजिटल ड्राइवर बनाया है जो एक सिम्युलेटेड वातावरण में कार चलाना सीखता है, लेकिन एक मोड़ के साथ: ड्राइवर का दृश्य बार-बार बाधित होता है, ठीक वैसे ही जैसे वे ऐसे चश्मे पहने हों जो अंधेरे हो जाते हैं। डिजिटल ड्राइवर को यह तय करना होगा कि कब चश्मा हटाकर सड़क को देखना है, कब स्पीडोमीटर को देखना है, और कब चश्मा बंद रखकर अपने आंतरिक अनुमान पर भरोसा करना है। मॉडल का लक्ष्य विशिष्ट नियमों के साथ यह प्रोग्राम करना नहीं था कि कब देखना है, बल्कि यह सीखना था कि ट्रायल और एरर (प्रयास और त्रुटि) के माध्यम से, बिल्कुल वैसे ही जैसे एक इंसान करता है, जिससे वह लेन में बने रहने और सुरक्षित सीमा के भीतर गति बनाए रखने के साथ-साथ देखने के प्रयास को कम कर सके। शोधकर्ता यह देखना चाहते थे कि क्या एक कंप्यूटर, केवल ड्राइविंग के बुनियादी लक्ष्यों और हर समय सब कुछ न देख पाने की सीमा के साथ, स्वाभाविक रूप से देखने की ऐसी रणनीति विकसित करेगा जो वास्तविक लोगों के व्यवहार के समान हो।

इसका परीक्षण करने के लिए, शोधकर्ताओं ने पहले एक ड्राइविंग सिम्युलेटर में तीस मानव प्रतिभागियों से डेटा एकत्र किया। इन लोगों ने विशेष चश्मे पहनकर एक घुमावदार, पहाड़ी सड़क पर ड्राइविंग की जो उनका दृश्य बाधित कर सकते थे। प्रतिभागियों को कार को केंद्र लेन में रखने और गति को 100 से 110 किलोमीटर प्रति घंटा के बीच बनाए रखने के लिए कहा गया था। उन्हें एक लीवर खींचने की अनुमति दी गई थी जिससे वे आधे सेकंड के लिए अपनी दृष्टि को थोड़े समय के लिए बहाल कर सकें, जब भी उन्हें लगे कि उन्हें सड़क या गति की जाँच करने की आवश्यकता है। शोधकर्ताओं ने ठीक से रिकॉर्ड किया कि ड्राइवरों ने कितनी देर तक आँखें बंद रखीं, उन्होंने कितनी बार देखा, और उन्होंने सड़क बनाम स्पीडोमीटर को देखने में कितना समय बिताया। यह मानव डेटा बेंचमार्क के रूप में, यानी वास्तविक दुनिया के मानक के रूप में कार्य करता था जिसके विरुद्ध कंप्यूटर मॉडल को मापा जाना था।

कंप्यूटर मॉडल को निर्णय लेने के पदानुक्रम (hierarchy) के साथ डिज़ाइन किया गया था, जो इस बात का दर्पण था कि मानव मस्तिष्क इन कार्यों को कैसे व्यवस्थित कर सकता है। इसमें तीन अलग-अलग भाग मिलकर काम कर रहे थे। पहला भाग स्टीयरिंग के लिए जिम्मेदार था, दूसरा गति को नियंत्रित करने के लिए, और तीसरा एक सुपरवाइजर (पर्यवेक्षक) था जो यह तय करता था कि निचले दो भागों में से किसे नई जानकारी की आवश्यकता है। जब सुपरवाइजर ने देखने का निर्णय लिया, तो उसने या तो सड़क या स्पीडोमीटर को चुना, लेकिन एक साथ दोनों को नहीं, जो इस तथ्य का अनुकरण करता है कि एक ड्राइवर की दृष्टि एक समय में एक ही चीज़ पर केंद्रित होती है। मॉडल ने सुदृढीकरण (reinforcement) के माध्यम से सीखा, एक ऐसी विधि जहाँ उसे लेन में रहने और सही गति बनाए रखने के लिए पुरस्कार मिलते थे, और टकराने या तेज़ गति होने पर दंड मिलता था। महत्वपूर्ण रूप से, मॉडल को हर बार देखने के निर्णय के लिए एक छोटा दंड भी मिला, जो ध्यान बदलने की मानसिक लागत का प्रतिनिधित्व करता था। इसने मॉडल को कुशल बनने के लिए मजबूर किया, ताकि वह केवल तभी देखे जब उसके आंतरिक अनुमान की अनिश्चितता इतनी अधिक हो जाए कि उसे अनदेखा न किया जा सके।

जब शोधकर्ताओं ने मॉडल को उन्हीं सिमुलेशन स्थितियों के माध्यम से चलाया जिनका उपयोग मानव ड्राइवरों के लिए किया गया था, तो परिणाम आश्चर्यजनक रूप से समान थे। कंप्यूटर ड्राइवर ने देखने का एक ऐसा पैटर्न विकसित किया जो मानव डेटा से काफी मेल खाता था। औसतन, मॉडल ने लगभग 24 प्रतिशत समय सड़क को देखा और 10 प्रतिशत समय स्पीडोमीटर को देखा, बाकी समय आँखें बंद रखीं या कहीं और देखा। यह वितरण मानव औसत के बहुत करीब था, जहाँ ड्राइवरों ने लगभग 29 प्रतिशत समय सड़क को और 12 प्रतिशत समय स्पीडोमीटर को देखा। मॉडल मानव के साथ इस मामले में भी मेल खाता था कि उसने कितनी देर तक आँखें बंद रखीं, जो प्रति झलक औसतन एक सेकंड से थोड़ा कम था, और उसने कितनी बार जाँच की, यानी हर दस सेकंड में लगभग सात बार देखा। यहाँ तक कि मॉडल की ड्राइविंग गति और लक्ष्य गति से थोड़ा बाहर जाने की संख्या भी मानव प्रतिभागियों के अनुरूप थी।

सबसे महत्वपूर्ण निष्कर्ष यह था कि मॉडल ने यह समानता बिना यह बताए प्राप्त की कि उसे कैसे व्यवहार करना है। इसे यह बताने वाला कोई पूर्व-निर्धारित नियम नहीं दिया गया था कि "हर पांच सेकंड में सड़क की ओर देखो।" इसके बजाय, इसने सीखा कि सुरक्षित रहने के लिए, इसे रास्ता भटकने या गति बढ़ने के जोखिम और देखने की लागत के बीच संतुलन बनाना होगा। जब सड़क सीधी थी और गति स्थिर थी, तो मॉडल ने अपनी आंतरिक भविष्यवाणी पर भरोसा करते हुए लंबे समय तक आँखें बंद रखना सीखा। जब सड़क मुड़ी या गति बदलने लगी, तो मॉडल ने अपने अनुमान को सुधारने के लिए अधिक बार देखना सीखा। यह सुझाव देता है कि हम ध्यान कैसे आवंटित करते हैं, यह एक यादृच्छिक आदत नहीं है, बल्कि एक अनुकूलन योग्य रणनीति है जो अनिश्चितता को कुशलतापूर्वक प्रबंधित करने की आवश्यकता से उत्पन्न होती है। मॉडल ने दिखाया कि ड्राइवर अनिवार्य रूप से ध्यान का एक बजट प्रबंधित कर रहे हैं, इसे केवल तभी खर्च करते हैं जब न जानने की लागत बहुत अधिक हो जाती है।

हालाँकि, अध्ययन ने मॉडल की मानवीय अपूर्णता की समझ की एक सीमा को भी उजागर किया। जबकि मानव ड्राइवर कभी-कभी अपनी लेन से भटक जाते थे, जो वास्तविक ड्राइविंग में एक सामान्य घटना है, कंप्यूटर मॉडल ने कभी यह गलती नहीं की। मॉडल स्टीयरिंग में बहुत सटीक था, संभवतः इसलिए क्योंकि इसे त्रुटियों से बचने के लिए इतना सख्ती से प्रशिक्षित किया गया था कि इसने कभी भी वे छोटे जोखिम नहीं लिए जो मनुष्य स्वाभाविक रूप से लेते हैं। यह सुझाव देता है कि जबकि मॉडल यह पकड़ता है कि ड्राइवर को क्या देखना है, यह अभी भी मानव नियंत्रण की स्थिरता का अतिरंजित अनुमान लगाता है। वास्तविक ड्राइवर केवल अनिश्चितता का प्रबंधन नहीं कर रहे हैं; वे भौतिक सीमाओं और ध्यान की आकस्मिक चूक का भी सामना कर रहे हैं जिन्हें वर्तमान मॉडल पूरी तरह से दोहरा नहीं पाता है।

इस कार्य के निहितार्थ केवल हमारे ड्राइविंग को समझने तक सीमित नहीं हैं। यह दिखाते हुए कि ध्यान एक गतिशील संसाधन है जिसे आंतरिक भविष्यवाणियों को सटीक बनाए रखने के लिए प्रबंधित किया जाता है, यह मॉडल ड्राइवर सुरक्षा प्रणालियों के बारे में सोचने का एक नया तरीका प्रदान करता है। वर्तमान चेतावनी प्रणालियाँ अक्सर सरल नियमों पर निर्भर करती हैं, जैसे कि यदि ड्राइवर दो सेकंड से अधिक समय तक नज़र हटा लेता है तो अलार्म बजाना। लेकिन यह शोध बताता है कि नज़र हटाना पूरी तरह से स्थिति पर निर्भर करता है। एक सीधे, खाली हाईवे पर दो सेकंड के लिए नज़र हटाना पूरी तरह से सुरक्षित हो सकता है क्योंकि ड्राइवर का आंतरिक अनुमान अभी भी सटीक है। वही दो सेकंड की नज़र एक तीखी, घुमावदार पहाड़ी पर खतरनाक हो सकती है क्योंकि अनुमान पहले से ही अविश्वसनीय हो रहा है। इस मॉडल पर आधारित प्रणाली ड्राइवर की आंतरिक अनिश्चितता का अनुमान लगा सकती है और उन्हें केवल तभी चेतावनी दे सकती है जब उनकी दृष्टि की कमी वास्तव में सुरक्षा के लिए खतरा पैदा करती है, न कि केवल सेकंड गिनकर।

अंततः, यह अध्ययन उस व्यवहार के लिए एक औपचारिक स्पष्टीकरण प्रदान करता जिसे हम बिना सोचे-समझे करते हैं: यह जानना कि कब देखना है और कब अपने अंतर्ज्ञान पर भरोसा करना है। यह प्रदर्शित करता है कि सुरक्षित रूप से गाड़ी चलाने की मानवीय क्षमता ध्यान की विफलता नहीं है, बल्कि अनुकूलन का एक परिष्कृत रूप है। ध्यान को दुनिया के मानसिक मॉडल को अपडेट करने के उपकरण के रूप में मानकर, शोधकर्ताओं ने दिखाया है कि मस्तिष्क लगातार सूचना की लागत और त्रुटि के जोखिम के बीच गणना करता है। कंप्यूटर मॉडल, अपनी सरलता के बावजूद, इस जटिल संतुलन को सफलतापूर्वक पुन: निर्मित करने में सफल रहा, जिससे सिद्ध हुआ कि मानव ध्यान के पैटर्न मनमाने नहीं हैं, बल्कि एक सुरक्षित, अनिश्चित दुनिया में रहने के तर्कसंगत प्रयास का परिणाम हैं।